Doktorand in drift- och underhållsteknik

-med specialisering Industrial Artificial Intelligence och eMaintenance

Luleå tekniska universitet är i stark tillväxt med världsledande kompetens inom flera forskningsområden. Vi formar framtiden genom nydanande utbildningar och banbrytande forskningsresultat, och med utgångspunkt i den arktiska regionen skapar vi global samhällsnytta. Vår vetenskapliga som konstnärliga forskning och utbildning bedrivs i nära samarbete med internationella, nationella och regionala företag, offentliga aktörer och ledande universitet. Luleå tekniska universitet omsätter totalt 1,9 miljarder kronor per år. Vi är idag 1 815 anställda och har 19 155 studenter.

De kommande åren investeras mångmiljardbelopp i Norrbotten och Västerbotten i stora projekt som syftar till ett mer hållbart samhälle nationellt så väl som globalt. Luleå tekniska universitet är involverat i flera av dessa högaktuella forskningsprojekt och den samhällsomvandling som följer. Vi har ett brett utbud av utbildningar för att matcha den kompetens som efterfrågas. Vi hoppas att du vill hjälpa oss att bygga framtidens hållbara företag och samhällen.

Drift och underhåll är ett snabbt växande forskningsområde eftersom det är erkänt som en viktig möjliggörare för verksamhetens resultat av industrin över hela världen. För många branscher är underhållskostnader en av de största enskilda kostnadsposterna. Effektivt underhåll kan generera intäkter för industrin genom bättre anläggningsutnyttjande och högre tillgänglighet. Genom välplanerat underhåll kan även externa och interna operativa risker kontrolleras och minimeras.

Ämnesbeskrivning
Avdelningen har lyckats få bidrag från EU och Sveriges forskningsfinansiärer som VINNOVA och SSF. Avdelningen har lanserat en International Journal of System Assurance Engineering and Management utgiven av Springer. Etableringen av SKF- University Technology Center för avancerad tillståndsövervakning har gett avdelningen en välbehövlig plattform för utveckling av prediktiv teknik. Dessutom finns två eMaintenance LABs på LTU och LKAB, Kiruna; ett tillståndsövervakningslabb har etablerats vid avdelningen. Avdelningen är fullt kompetent och utrustad tekniskt för att bedriva forskningsarbete inom de framväxande områdena big data, prediktiv och normativ analys.

Projektbeskrivning
Som doktorand kommer du främst att arbeta med ett av våra forskningsprojekt som kallas 'AI Factory for Mining'. Projektet fokuserar på forskning relaterad till industriell AI och eMaintenance inom gruvindustrin, inklusive maskininlärning, överfört lärande och djupinlärning. Projektet syftar till att underlätta beslutsfattandet inom drift och underhåll genom att utveckla och demonstrera lösningar baserade på Digital Twin-konceptet, med hjälp av AI och digital teknik.

Detta projekt kommer att bidra till ökat utnyttjande av AI och digitalisering av gruvbranschen genom att bedriva forskning inom:

- Industrial AI
- Digital Twin
- Nowcasting and forecasting
- Machine Learning
- Deep Learning
- Business Intelligence
- Big Data
- Cloud/edge Computing
- Information Logistics
- Operation & maintenance
- eMaintenance

Projektet kommer att genomföras i nära samarbete med representanter från gruvbranschen. Arbetet kommer att utföras i en projektform bestående av doktorander, seniora forskare och branschföreträdare.

För ytterligare information om specifik doktorandutbildning se; Studieplaner för forskarutbildning inom teknisk fakultet

Arbetsuppgifter
Du kommer att arbeta i forskargruppen industriell AI och eMaintenance. I denna position kommer du att bidra till vidareutveckling av vår plattform "AI Factory" samt förbättra kapaciteten i vårt labb "eMaintenance LAB".

Arbetet kommer i stora drag att omfatta:

- Studier av relevanta teoretiska ramar
- Kartläggning av behov och krav ur ett industriellt perspektiv
- Identifiera och analysera luckor i industriella och akademiska sammanhang
- Design av lösningar, bläck. metoder, tekniker och verktyg
- Utveckling av AI-algoritmer, verktyg och lösningar med metoder inklusive men inte begränsat till matematisk programmering, metaheuristik, robust optimering, stokastisk optimering.
- Publicering i akademiska tidskrifter och konferenser
- Deltagande som föreläsare och assistent i avdelningens kurser

Kvalifikationer
För att vara behörig för anställning krävs en magisterexamen inom underhåll och driftsteknik, datavetenskap, tillämpad fysik, styrteknik, signalbehandling eller motsvarande.

- Goda kunskaper i modellering och mjukvaruutveckling.
- Gruverfarenhet är meriterande.
- Vi söker dig med ett starkt intresse för forskningsstudier.
- För att kommunicera inom projekten och med olika intressenter krävs att du behärskar svenska, både i tal och skrift samt goda kunskaper i både tal och skrift på engelska.
- Erfarenhet inom gruvindustrin samt kunskap inom underhållsområdet och mjukvaruutveckling är meriterande.
- Erfarenhet av Azure-miljö och plattform och Azure AI-tjänster och är meriterande.
- Erfarenhet av att utveckla matematiska modeller, optimeringsmetoder, simuleringstekniker, men också intresse för metaheuristik, statistik och maskininlärning är meriterande.
- Du ska vara skicklig på programmeringsspråk som Python, R, MATLAB och tillhörande simulerings- och optimeringsbibliotek och paket.

Ytterligare information
Tidsbegränsad heltidsanställning under fyra år. Institutionstjänstgöring så som exempelvis undervisning kan tillkomma upp till maximalt 20 % av heltid. Tjänstgöringsort Luleå.

För ytterligare information om tjänsten, vänligen kontakta; prof. Ramin Karim, 0920-49 2344, ramin.karim@ltu.se

Fackliga företrädare:SACO-S Kjell Johansson (+46)920-49 1529 kjell.johansson@ltu.se, OFR-S Lars Frisk, (+46)920-49 1792 lars.frisk@ltu.se

För komplett platsannons vänligen besök ltu.se/ledigajobb

Ansökan
Vi ser helst att du söker befattningen via ansökningsknappen nedan där du bifogar personligt brev samt CV/meritförteckning och examensbevis. Var vänlig och märk din ansökan med referensnumret nedan. Ansökan samt examensbevis måste vara skrivna på svenska eller engelska.

Sista ansökningsdag: 30 Juli 2022
Referensnummer: 2265-2022